基于人工智能的时间线证券资产管理系统的制作方法

1.本发明创造涉及证券大数据领域，具体涉及基于人工智能的时间线证券资产管理系统。


背景技术：

2.随着现代人工智能的快速发展以及金融在社会的不断渗透，证券交易在金融领域占有越来越重要的地位，并且也已经渗透到我们生活中的方方面面，每天都有数以万计的证券交易，从而产生非常多的证券资产数据，对于这么庞大的数据量，无法再用传统的数据存储和管理方式，效率低、保密性差，面对大量的文件和数据，无论是对数据查找，还是对于系统的更新和维护都带来了不少的麻烦，并且目前人工智能对人类生产生活的影响日益加深，利用人工智能对时间线证券资产数据进行管理，不仅可以向管理方提供更多的可查询化信息，方便证券交易的资产分析和存储，更好的推动时间线证券资产交易和有效发展，同时也能更好的保护用户的证券资产交易数据。
3.当前，证券资产大数据主要在各金融交易机构不同的信息系统中，这些数据具有冗余程度高和耦合性差的特点，同时，由于证券资产大数据特有的多源、高维和异构特点，使得在证券资产大数据提取与应用过程中很难对这些证券资产数据进行有效的分析，更难有效挖掘体现证券资产大数据蕴含的潜在价值，对证券资产大数据进行分类，将同类别的证券资产数据归为一类，能够有效的降低证券资产大数据的复杂度，为证券资产数据后续的有效保护和分析应用提供支持，svm向量机分类算法能够根据历史分类和全局分类，对大量的数据集内在信息进行有意义的划分，克服了分类结果的绝对化，使得分类结果更加符合证券资产的实际需求，但在采用svm分类算法进行分类时，svm分类算法对历史分类划分依据的选取十分重要，如果不能够划分出符合实际需求的分类依据，则svm分类算法无法在其搜索范围中寻找到最优分类方式，从而影响全局分类，因此如何对svm分类算法的历史分类进行优化，从而提高分类结果正确率成为了目前急需解决的问题，ssd检测算法作为神经网络中的重要算法，具有相当准确的达到最优解的方向性，在svm分类算法在历史分类处理方面已经十分全面，但是局部分类时，分类精确度不高，全局分类和精细分类还未达到同步平衡，因此在采用ssd检测算法确定svm分类算法的分类结果时，不一定能严格保证获取最优的分类依据和分类结果，从而影响分类结果的准确度，但是总体数据标签和分类已经十分完善，可以有效保护我们的数据安全和有效的分析应用。


技术实现要素：

4.针对上述问题，本发明旨在提供基于人工智能的时间线证券资产管理系统。
5.本发明创造的目的通过以下技术方案实现：
6.基于人工智能的时间线证券资产管理系统，其特征在于，包括时间线证券资产数据获取端、证券资产数据管理端和时间线证券资产数据存储端，时间线证券资产数据获取端用于获取证券资产数据，并将获取的证券资产数据输入证券资产数据管理端，证券资产
数据管理端包括证券资产数据分类模块、证券资产数据处理模块和证券资产数据标记模块，证券资产数据分类模块用于对时间线证券资产数据获取端输入的证券资产数据进行分类，并将分类后的证券资产数据输入证券资产数据处理模块，由证券资产数据处理模块对接收到的证券资产数据进行检测处理，当检测到所述证券资产数据时，证券资产数据标记模块立即对证券资产数据进行标记，并将标记后的数据类集合分别输入给时间线证券资产数据存储端进行存储，当检测到所述证券资产数据中存在新的证券资产数据时，证券资产数据分类模块调取证券资产数据标记模块新建一个类存储该新识别的证券资产数据和其接收到的证券资产数据组成一个数据集，并对该数据集中的证券资产数据进行分类处理，从而确定各类集合中证券资产数据的完善，最后将所述类集合分别全部输入时间线证券资产数据存储端进行存储，时间线证券资产数据存储端对其接收到的类集合和其现有的类集合进行检测，将拥有相同疾病标签的类集合进行合并，并去除合并后的类集合中重复的证券资产数据。
7.进一步的，证券资产数据分类模块用于对时间线证券资产数据获取端输入的证券资产数据进行数据预处理和分类处理。
8.进一步的，证券资产数据处理模块采用svm分类算法对时间线证券资产数据进行分类处理，并采用ssd目标处理算法对用svm算法进行分类后的时间线证券资产数据进行标记处理并存储。
9.进一步的，在采用ssd目标处理算法对svm分类算法分类后的时间线证券资产数据进行标记处理并存储时，采用下列方式确定分类方式：
10.(1)对证券资产数据中各类数据的历史分类情况和全局分类情况进行分类处理；
11.(2)根据资产数据的历史分类和全局分类结果标记处理并存储相关资产数据。
12.进一步的，为了对svm分类算法进行寻优，采用下列步骤对种群中的粒子进行更新：
13.步骤(1)：在种群中所有粒子完成每次更新后，根据更新结果对搜索空间中的粒子进行区域划分；
14.步骤(2)：在各区域中选取部分粒子进行全局预更新，并根据全局预更新结果确定各区域中剩余粒子的更新方式。
15.进一步的，在种群中所有粒子完成每次更新后，根据更新结果对搜索空间中粒子进行区域划分，具体为：
16.给定t时刻的区域划分值d(t)，设置d(t)的值为：其中，xz(t)表示种群中粒子z在t时刻的位置，x
z,1
(t)表示当前种群中距离粒子z最近的粒子的位置，n表示种群中的粒子总数，设ωr(t)表示t时刻对搜索空间中粒子进行区域划分所得的第r个区域，则区域ωr(t)中包含的粒子采用下列步骤在搜索空间中确定：
17.步骤(1)：在种群中未划分区域的粒子中选取区域ωr(t)的起始粒子：令p
′
(t)表示t时刻种群中已经划分区域的粒子集合，p
″
(t)表示t时刻种群中未划分区域的粒子集合，计算集合p
″
(t)中各粒子在t时刻的区域代表性系数：设s∈p
″
(t)，定义qs(t)表示集合p
″
(t)中粒子s在t时刻的区域代表性系数，则qs(t)的计算公式为：其中，ksa
(t)为t时刻用于粒子s和粒子a之间的位置判断函数，且xs(t)和xa(t)分别用于表示粒子s和粒子a在t时刻的位置，n
″
p
(t)表示集合p
″
(t)中粒子的总数；
18.在当前集合p
″
(t)中选取具有最大区域代表性系数的粒子为区域ωr(t)的起始粒子，或者当集合p
″
(t)中粒子的区域代表性系数都相同时，则在集合p
″
(t)中随机选取一个粒子作为区域ωr(t)的起始粒子，并将选取的起始粒子加入区域ωr(t)中；
19.步骤(2)：继续在种群中未划分区域的粒子中选取粒子加入区域ωr(t)中：当集合p
″
(t)中存在粒子和区域ωr(t)的起始粒子之间的欧式距离小于等于d(t)时，则将该粒子加入区域ωr(t)中，当集合p
″
(t)中粒子和区域ωr(t)的起始粒子之间的欧式距离都大于d(t)时，则停止在种群未划分区域的粒子中选取粒子加入区域ωr(t)中，此时，区域ωr(t)中的粒子即为区域ωr(t)最终所包含的粒子，连接区域ωr(t)所包含粒子中的最外围粒子所形成的区域即为ωr(t)的区域范围；
20.当此时集合p
″
(t)中仍然存在未划分区域的粒子时，则继续采用步骤(1)和步骤(2)中的方式对种群中未划分区域的粒子进行区域划分，从而获得第(r+1)个区域，当此时集合p
″
(t)中不存在未划分区域的粒子时，则停止对搜索空间中粒子进行区域划分。
21.进一步的，在各区域中选取部分粒子进行全局预更新，并根据全局预更新结果确定各区域中剩余粒子的更新方式，具体为：
22.(1)在各区域中选取部分粒子进行(t+1)时刻的全局预更新：设ωr(t)表示t时刻对搜索空间中粒子进行区域划分所得的第r个区域，nr(t)表示区域ωr(t)中的粒子数，则在区域ωr(t)中随机选取个粒子采用下列方式进行(t+1)时刻的全局预更新：
[0023][0024][0025]
其中，设i∈ωr(t)，和分别用于表示粒子i在(t+1)时刻在第k维度的位置和速度，设xi(t+1)表示粒子i在(t+1)时刻的位置，则(t+1)表示粒子i在(t+1)时刻的位置，则其中，和分别用于表示粒子i在(t+1)时刻在第1维度、第2维度和第d维度的位置，d表示搜索空间的维度，和分别用于表示粒子i在t时刻在第k维度的位置和速度，randi为随机产生的一个[0,1]范围内的随机数，表示粒子i在t时刻在第k维度的加速度，且mi(t)表示t时刻粒子i的惯性质量，表示粒子i在t时刻在第k维度上受种群中其他粒子的引力合力，且rand
l
为随机产生的一个[0,1]范围内的随机数，n表示种群中的粒子数，表示t时刻粒子i在第k维度上受到粒子l的引力，且子l的引力，且g(t)表示t时刻的万有引力常数，m
l
(t)表示粒子l在t时刻的惯性质量，r
il
(t)表示t时刻粒子i和粒子l之间的欧式距离，ε为一个常数，用于保证分母不为0，表示粒子l在t时刻在第k维度的位置；
[0026]
(2)根据全局预更新结果确定各区域中剩余粒子的更新方式：令l
′r(t)表示区域ωr(t)中进行了(t+1)时刻全局预更新的粒子集合，l
″r(t)表示区域ωr(t)中未进行(t+1)时刻全局预更新的粒子集合，设n
″r(t)表示集合l
″r(t)中的粒子数，当n
″r(t)》0时，定义u
′r(t)为区域ωr(t)中粒子的全局预更新收益值，将u
′r(t)的计算公式设置为：
[0027][0028]
在上述计算公式中，hb(t+1)为用于粒子b在(t+1)时刻的寻优判断函数，且其中，fitb(t+1)和fitb(t)分别用于表示粒子b在(t+1)和t时刻的适应度值，n
′r(t)表示集合l
′r(t)中的粒子数，hg(t+1)为用于粒子g在(t+1)时刻的寻优判断函数，且其中，fitg(t+1)和fitg(t)分别用于表示粒子g在(t+1)和t时刻的适应度值，xb(t+1)和xg(t+1)分别用于表示粒子b和粒子g在(t+1)时刻的位置，d
′r(t)表示集合l
′r(t)中粒子在进行了(t+1)时刻全局预更新后的最大欧式距离，且d
′r(t)＝max
b≠g
|xb(t+1)-xg(t+1)|，n(t)表示t时刻对搜索空间中粒子进行区域划分所得的区域总数；
[0029]
根据全局预更新收益值u
′r(t)设置区域ωr(t)中未进行(t+1)时刻全局预更新粒子采用下列方式进行(t+1)时刻的更新：
[0030][0031][0032]
在上式中，设j∈ωr(t)且和分别用于表示粒子j在(t+1)时刻在第k维度的位置和速度，和分别用于表示粒子j在t时刻在第k维度的位置和速度，为带有区域寻优调节系数的粒子j在t时刻在第k维度的加速度，将的值设置为：mj(t)表示t时刻粒子j的惯性质量，为带有区域寻优调节系数的粒子j在t时刻在第k维度上受种群中其他粒子的引力合力，且其中，为带有区域寻优调节系数的t时刻粒子j在第k维度上受到粒子l的引力，且其中，ρ
jl
(t)表示t时刻粒子l相较于粒子j的区域寻优调节系数，设置ρ
jl
(t)的值为：
δj(t)表示t时刻粒子j的区域寻优调节系数，设置δj(t)的值为：其中，u
′
(t)为给定的t时刻的全局预更新收益阈值，u
′
(t)的值可以取0.4，βj(t)表示粒子j在t时刻的区域吸引强度系数，β
l
(t)表示粒子l在t时刻的区域吸引强度系数，βz(t)表示种群中粒子z在t时刻的区域吸引强度系数，表示t时刻种群中粒子的区域吸引强度系数的均值，因为j∈ωr(t)，则βj(t)的值采用下列方式获得：
[0033]
令ω
r,1
(t)表示当前搜索空间中距离区域ωr(t)最近并且区域适应度值均值大于区域ωr(t)的适应度值均值的区域，dr(t)表示区域ωr(t)的区域检测半径，设置其中，xr(t)表示区域ωr(t)的起始粒子的位置，xe(t)表示粒子e在t时刻的位置，设ω
′r(t)表示区域ωr(t)的局部待检测区域，将ω
′r(t)的区域范围设置为以位置xr(t)为圆心、以dr(t)为半径的圆形区域，则其中，设p为种群中进行了(t+1)时刻全局预更新的粒子，n
′
(t)表示种群中进行了(t+1)时刻全局预更新的粒子总数，η
pr
(t+1)为用于粒子p的区域判断函数，且用于表示粒子p在(t+1)时刻的位置，fit
p
(t+1)表示粒子p在(t+1)时刻的适应度值，表示区域ωr(t)的适应度值均值，且fiti(t)表示粒子i在t时刻的适应度值；
[0034]
β
l
(t)和βz(t)的值同样按照上述计算βj(t)的值的方式计算得到，最后可以根据选定指标如关联函数数值对稳定域和可拓域进行分类，找出时间线证券资产数据并结合上述转化规则采取针对性的方法，完成分类并处理。
[0035]
进一步的，根据资产数据的历史分类和全局分类结果标记处理并存储相关资产数据：
[0036]
对于待检测目标的位置信息，可以通过位置边界框来体现，所以假设输出的数据位置信息分别为h,w,y,x，分别表示数据的不同位置，用于对应预测框的中心坐标、宽度以及高度，其中边界框回归是指对生成的待检测目标的预测框进行调整，可以通过不同大小和宽度的默认框来更好的检测出数据位置和格式，假设默认框d的位置信息设置d
x
,dy，dw,dh,预测框b的位置信息设为b
x
,by，bw,bh，根据ssd目标检测的转换机制，真实框p的位置信息p
x
,py，pw,ph,为预测框b相当于默认框d的转换值，所以，真实框p的位置信息为：
[0037][0038]
[0039]
其中p
x
,py，pw,ph分别表示真实框p的中心坐标以及宽度和高度，b
x
,by，bw,bh则分别表示预测框b的中心的坐标以及及宽度和高度，而d
x
,dy，dw,dh分别表示默认框d的中心的坐标以及宽度和高度，由此通过以上的转换机制完成转换，接下来为输出前向传播的预测框结果，需要进行如下运算，则预测框的位置信息为，
[0040]bx
＝dwp
x
+d
x
，by＝dhpy+dy[0041][0042]
以上公式中，b
x
,by，bw,bh分别表示预测框b的中心的坐标以及宽度和高度，而p
x
,py，pw,ph则分别表示预测框p的中心的坐标以及宽度和高度，d
x
,dy，dw,dh分别表示默认框d的中心的坐标以及宽度和高度，接下来通过边界框匹配实现前向传播预测值的输出，在此基础上ssd卷积神经网络训练还需反向传递，该检测模型，其损失函数主要包含两部分，分别是定位损失函数do与置信度回归损失函数lf，由此得到总的损耗函数为，由此得到总的损耗函数为其中n代表预测框匹配完整目标框的数目，c代表样本数据损失数，即样本数据的数量，假设权值α的初始值为1，位置损耗公式采用s(x)损失函数，那么位置位置误差来衡量位置预测情况，表达式如下：
[0043][0044]
如上所示，其中x为输入，位置损失函数s(x)不考虑负的数据样本，由于负的数据样本对应的是背景，因此没有明确的边界框，因此定位损失函数lo表达式为：表达式为：如公式所示，其中i∈posi表示第i个默认框与第j个真实框成功匹配的概率，如果成功匹配则为1，否则为0，由于正的数据样本的数量并不完全为1，因此公式m＝h,w,y,x用来表示框体的中心坐标、宽和高，表示样本随机数据估计值，s(x)
l1
表示函数s(x)的样本假设在第l1个位置的信息，式中表示为第j个真实框相对于第i个正样本默认框的偏移量，而式中则表示为第j个预测框相对于第i个正样本默认框的偏移量。
[0045]
本发明创造的有益效果：首先采用svm分类算法对输入的证券资产数据进行特征分类，并标记不同时间线证券资产数据的特征标签，将证券资产数据按照标记的特征标签进行分类存储，能够有效帮助提升庞大的证券资产数据的分类管理，避免数据混乱以及应用很难的问题，为证券交易以及证券资产数据的长期应用和分析提供支撑，针对svm分类算法对历史分类依据的选取比较敏感的情况，采用引力搜索算法对所述支持向量机的参数进行优化，并提出一种新的更新机制用于本发明采用的引力搜索算法，从而提高引力搜索算法确定的支持向量机的参数的精度，有效提高svm分类算法的分类精度，大大保证了证券资产数据的安全存储和分析应用。
附图说明
[0046]
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
[0047]
图1是本发明结构示意图。
具体实施方式
[0048]
结合以下实施例对本发明作进一步描述。
[0049]
参见图1，基于人工智能的时间线证券资产管理系统，其特征在于，包括时间线证券资产数据获取端、证券资产数据管理端和时间线证券资产数据存储端，时间线证券资产数据获取端用于获取证券资产数据，并将获取的证券资产数据输入证券资产数据管理端，证券资产数据管理端包括证券资产数据分类模块、证券资产数据处理模块和证券资产数据标记模块，证券资产数据分类模块用于对时间线证券资产数据获取端输入的证券资产数据进行分类，并将分类后的证券资产数据输入证券资产数据处理模块，由证券资产数据处理模块对接收到的证券资产数据进行检测处理，当检测到所述证券资产数据时，证券资产数据标记模块立即对证券资产数据进行标记，并将标记后的数据类集合分别输入给时间线证券资产数据存储端进行存储，当检测到所述证券资产数据中存在新的证券资产数据时，证券资产数据分类模块调取证券资产数据标记模块新建一个类存储该新识别的证券资产数据和其接收到的证券资产数据组成一个数据集，并对该数据集中的证券资产数据进行分类处理，从而确定各类集合中证券资产数据的完善，最后将所述类集合分别全部输入时间线证券资产数据存储端进行存储，时间线证券资产数据存储端对其接收到的类集合和其现有的类集合进行检测，将拥有相同疾病标签的类集合进行合并，并去除合并后的类集合中重复的证券资产数据。
[0050]
具体的，证券资产数据分类模块用于对时间线证券资产数据获取端输入的证券资产数据进行数据预处理和分类处理。
[0051]
具体的，证券资产数据处理模块采用svm分类算法对时间线证券资产数据进行分类处理，并采用ssd目标处理算法对用svm算法进行分类后的时间线证券资产数据进行标记处理并存储。
[0052]
优选的，在采用ssd目标处理算法对svm分类算法分类后的时间线证券资产数据进行标记处理并存储时，采用下列方式确定分类方式：
[0053]
(1)对证券资产数据中各类数据的历史分类情况和全局分类情况进行分类处理；
[0054]
(2)根据资产数据的历史分类和全局分类结果标记处理并存储相关资产数据。
[0055]
优选的，为了对svm分类算法进行寻优，采用下列步骤对种群中的粒子进行更新：
[0056]
步骤(1)：在种群中所有粒子完成每次更新后，根据更新结果对搜索空间中的粒子进行区域划分；
[0057]
步骤(2)：在各区域中选取部分粒子进行全局预更新，并根据全局预更新结果确定各区域中剩余粒子的更新方式。
[0058]
优选的，在种群中所有粒子完成每次更新后，根据更新结果对搜索空间中粒子进行区域划分，具体为：
[0059]
给定t时刻的区域划分值d(t)，设置d(t)的值为：其中，xz(t)表示种群中粒子z在t时刻的位置，x
z,1
(t)表示当前种群中距离粒子x最近的粒子的位置，n表示种群中的粒子总数，设ωr(t)表示t时刻对搜索空间中粒子进行区域划分所得的第r个区域，则区域ωr(t)中包含的粒子采用下列步骤在搜索空间中确定：
[0060]
步骤(1)：在种群中未划分区域的粒子中选取区域ωr(t)的起始粒子：令p
′
(t)表示t时刻种群中已经划分区域的粒子集合，p
″
(t)表示t时刻种群中未划分区域的粒子集合，计算集合p
″
(t)中各粒子在t时刻的区域代表性系数：设s∈p
″
(t)，定义qs(t)表示集合p
″
(t)中粒子s在t时刻的区域代表性系数，则qs(t)的计算公式为：其中，k
sa
(t)为t时刻用于粒子s和粒子a之间的位置判断函数，且xs(t)和xa(t)分别用于表示粒子s和粒子a在t时刻的位置，n
″
p
(t)表示集合p
″
(t)中粒子的总数；
[0061]
在当前集合p
″
(t)中选取具有最大区域代表性系数的粒子为区域ωr(t)的起始粒子，或者当集合p
″
(t)中粒子的区域代表性系数都相同时，则在集合p
″
(t)中随机选取一个粒子作为区域ωr(t)的起始粒子，并将选取的起始粒子加入区域ωr(t)中；
[0062]
步骤(2)：继续在种群中未划分区域的粒子中选取粒子加入区域ωr(t)中：当集合p
″
(t)中存在粒子和区域ωr(t)的起始粒子之间的欧式距离小于等于d(t)时，则将该粒子加入区域ωr(t)中，当集合p
″
(t)中粒子和区域ωr(t)的起始粒子之间的欧式距离都大于d(t)时，则停止在种群未划分区域的粒子中选取粒子加入区域ωr(t)中，此时，区域ωr(t)中的粒子即为区域ωr(t)最终所包含的粒子，连接区域ωr(t)所包含粒子中的最外围粒子所形成的区域即为ωr(t)的区域范围；
[0063]
当此时集合p
″
(t)中仍然存在未划分区域的粒子时，则继续采用步骤(1)和步骤(2)中的方式对种群中未划分区域的粒子进行区域划分，从而获得第(r+1)个区域，当此时集合p
″
(t)中不存在未划分区域的粒子时，则停止对搜索空间中粒子进行区域划分。
[0064]
优选的，在各区域中选取部分粒子进行全局预更新，并根据全局预更新结果确定各区域中剩余粒子的更新方式，具体为：
[0065]
(1)在各区域中选取部分粒子进行(t+1)时刻的全局预更新：设ωr(t)表示t时刻对搜索空间中粒子进行区域划分所得的第r个区域，nr(t)表示区域ωr(t)中的粒子数，则在区域ωr(t)中随机选取个粒子采用下列方式进行(t+1)时刻的全局预更新：
[0066][0067][0068]
其中，设i∈ωr(t)，和分别用于表示粒子i在(t+1)时刻在第k维度的位置和速度，设xi(t+1)表示粒子i在(t+1)时刻的位置，则(t+1)表示粒子i在(t+1)时刻的位置，则其中，和分别用于表示粒子i在(t+1)时刻在第1维度、第2维度和第d维度的位置，d表示
搜索空间的维度，和分别用于表示粒子i在t时刻在第k维度的位置和速度，randi为随机产生的一个[0,1]范围内的随机数，表示粒子i在t时刻在第k维度的加速度，且mi(t)表示t时刻粒子i的惯性质量，表示粒子i在t时刻在第k维度上受种群中其他粒子的引力合力，且rand
l
为随机产生的一个[0,1]范围内的随机数，n表示种群中的粒子数，表示t时刻粒子i在第k维度上受到粒子l的引力，且子l的引力，且g(t)表示t时刻的万有引力常数，m
l
(t)表示粒子l在t时刻的惯性质量，r
il
(t)表示t时刻粒子i和粒子l之间的欧式距离，ε为一个常数，用于保证分母不为0，表示粒子l在t时刻在第k维度的位置；
[0069]
(2)根据全局预更新结果确定各区域中剩余粒子的更新方式：令l
′r(t)表示区域ωr(t)中进行了(t+1)时刻全局预更新的粒子集合，l
″r(t)表示区域ωr(t)中未进行(t+1)时刻全局预更新的粒子集合，设n
″r(t)表示集合l
″r(t)中的粒子数，当n
″r(t)》0时，定义u
′r(t)为区域ωr(t)中粒子的全局预更新收益值，将u
′r(t)的计算公式设置为：
[0070][0071]
在上述计算公式中，hb(t+1)为用于粒子b在(t+1)时刻的寻优判断函数，且其中，fitb(t+1)和fitb(t)分别用于表示粒子b在(t+1)和t时刻的适应度值，n
′r(t)表示集合l
′r(t)中的粒子数，hg(t+1)为用于粒子g在(t+1)时刻的寻优判断函数，且其中，fitg(t+1)和fitg(t)分别用于表示粒子g在(t+1)和t时刻的适应度值，xb(t+1)和xg(t+1)分别用于表示粒子b和粒子g在(t+1)时刻的位置，d
′r(t)表示集合l
′r(t)中粒子在进行了(t+1)时刻全局预更新后的最大欧式距离，且d
′r(t)＝max
b≠g
|xb(t+1)-xg(t+1)|，n(t)表示t时刻对搜索空间中粒子进行区域划分所得的区域总数；
[0072]
根据全局预更新收益值u
′r(t)设置区域ωr(t)中未进行(t+1)时刻全局预更新粒子采用下列方式进行(t+1)时刻的更新：
[0073][0074][0075]
在上式中，设j∈ωr(t)且j∈l
″r(t)，和分别用于表示粒子j在(t+1)时刻在第k维度的位置和速度，和分别用于表示粒子j在t时刻在第k维度的位置和速度，为带有区域寻优调节系数的粒子j在t时刻在第k维度的加速度，将
的值设置为：mj(t)表示t时刻粒子j的惯性质量，为带有区域寻优调节系数的粒子j在t时刻在第k维度上受种群中其他粒子的引力合力，且其中，为带有区域寻优调节系数的t时刻粒子j在第k维度上受到粒子l的引力，且其中，ρ
jl
(t)表示t时刻粒子l相较于粒子j的区域寻优调节系数，设置ρ
jl
(t)的值为：δj(t)表示t时刻粒子j的区域寻优调节系数，设置δj(t)的值为：其中，u
′
(t)为给定的t时刻的全局预更新收益阈值，u
′
(t)的值可以取0.4，βj(t)表示粒子j在t时刻的区域吸引强度系数，β
l
(t)表示粒子l在t时刻的区域吸引强度系数，βz(t)表示种群中粒子z在t时刻的区域吸引强度系数，表示t时刻种群中粒子的区域吸引强度系数的均值，因为j∈ωr(t)，则βj(t)的值采用下列方式获得：
[0076]
令ω
r,1
(t)表示当前搜索空间中距离区域ωr(t)最近并且区域适应度值均值大于区域ωr(t)的适应度值均值的区域，dr(t)表示区域ωr(t)的区域检测半径，设置其中，xr(t)表示区域ωr(t)的起始粒子的位置，xe(t)表示粒子e在t时刻的位置，设ω
′r(t)表示区域ωr(t)的局部待检测区域，将ω
′r(t)的区域范围设置为以位置xr(t)为圆心、以dr(t)为半径的圆形区域，则其中，设p为种群中进行了(t+1)时刻全局预更新的粒子，n
′
(t)表示种群中进行了(t+1)时刻全局预更新的粒子总数，η
pr
(t+1)为用于粒子p的区域判断函数，且x
p
(t+1)用于表示粒子p在(t+1)时刻的位置，fit
p
(t+1)表示粒子p在(t+1)时刻的适应度值，表示区域ωr(t)的适应度值均值，且fiti(t)表示粒子i在t时刻的适应度值；
[0077]
β
l
(t)和βz(t)的值同样按照上述计算βj(t)的值的方式计算得到，最后可以根据选定指标如关联函数数值对稳定域和可拓域进行分类，找出时间线证券资产数据并结合上述转化规则采取针对性的方法，完成分类并处理。
[0078]
优选的，根据资产数据的历史分类和全局分类结果标记处理并存储相关资产数据：
[0079]
对于待检测目标的位置信息，可以通过位置边界框来体现，所以假设输出的数据位置信息分别为h,w,y,x，分别表示数据的不同位置，用于对应预测框的中心坐标、宽度以及高度，其中边界框回归是指对生成的待检测目标的预测框进行调整，可以通过不同大小
和宽度的默认框来更好的检测出数据位置和格式，假设默认框d的位置信息设置d
x
,dy，dw,dh,预测框b的位置信息设为b
x
,by，bw,bh，根据ssd目标检测的转换机制，真实框p的位置信息p
x
,py，pw,ph,为预测框b相当于默认框d的转换值，所以，真实框p的位置信息为：
[0080][0081][0082]
其中p
x
,py，pw,ph分别表示真实框p的中心坐标以及宽度和高度，b
x
,by，bw,bh则分别表示预测框b的中心的坐标以及及宽度和高度，而d
x
,dy，dw,dh分别表示默认框d的中心的坐标以及宽度和高度，由此通过以上的转换机制完成转换，接下来为输出前向传播的预测框结果，需要进行如下运算，则预测框的位置信息为，
[0083]bx
＝dwp
x
+d
x
，by＝dhpy+dy[0084][0085]
以上公式中，b
x
,by，bw,bh分别表示预测框b的中心的坐标以及宽度和高度，而p
x
,py，pw,ph则分别表示预测框p的中心的坐标以及宽度和高度，d
x
,dy，dw,dh分别表示默认框d的中心的坐标以及宽度和高度，接下来通过边界框匹配实现前向传播预测值的输出，在此基础上ssd卷积神经网络训练还需反向传递，该检测模型，其损失函数主要包含两部分，分别是定位损失函数lo与置信度回归损失函数lf，由此得到总的损耗函数为，由此得到总的损耗函数为其中n代表预测框匹配完整目标框的数目，c代表样本数据损失数，即样本数据的数量，假设权值α的初始值为1，位置损耗公式采用s(x)损失函数，那么位置位置误差来衡量位置预测情况，表达式如下：
[0086][0087]
如上所示，其中x为输入，位置损失函数s(x)不考虑负的数据样本，由于负的数据样本对应的是背景，因此没有明确的边界框，因此定位损失函数lo表达式为：表达式为：如公式所示，其中i∈posi表示第i个默认框与第j个真实框成功匹配的概率，如果成功匹配则为1，否则为0，由于正的数据样本的数量并不完全为1，因此公式m＝h,w,y,x用来表示框体的中心坐标、宽和高，表示样本随机数据估计值，s(x)
l1
表示函数s(x)的样本假设在第l1个位置的信息，式中表示为第j个真实框相对于第i个正样本默认框的偏移量，而式中则表示为第j个预测框相对于第i个正样本默认框的偏移量。
[0088]
具体的，基于人工智能的时间线证券资产管理系统，其特征在于，包括时间线证券资产数据获取端、证券资产数据管理端和时间线证券资产数据存储端，时间线证券资产数据获取端用于获取证券资产数据，并将获取的证券资产数据输入证券资产数据管理端，证券资产数据管理端包括证券资产数据分类模块、证券资产数据处理模块和证券资产数据标
记模块，证券资产数据分类模块用于对时间线证券资产数据获取端输入的证券资产数据进行分类，并将分类后的证券资产数据输入证券资产数据处理模块，由证券资产数据处理模块对接收到的证券资产数据进行检测处理，当检测到所述证券资产数据时，证券资产数据标记模块立即对证券资产数据进行标记，并将标记后的数据类集合分别输入给时间线证券资产数据存储端进行存储，当检测到所述证券资产数据中存在新的证券资产数据时，证券资产数据分类模块调取证券资产数据标记模块新建一个类存储该新识别的证券资产数据和其接收到的证券资产数据组成一个数据集，并对该数据集中的证券资产数据进行分类处理，从而确定各类集合中证券资产数据的完善，最后将所述类集合分别全部输入时间线证券资产数据存储端进行存储，时间线证券资产数据存储端对其接收到的类集合和其现有的类集合进行检测，将拥有相同疾病标签的类集合进行合并，并去除合并后的类集合中重复的证券资产数据，在保留现有引力搜索算法的全局寻优优势的基础上提出一种新的粒子更新机制，该种寻优机制设置种群中部分粒子采用传统更新方式进行全局预更新，即种群当前的寻优结果仅直接影响着种群中部分粒子的寻优结果，而剩余部分粒子同时根据种群当前的寻优结果和部分粒子下一时刻的全局预更新结果确定下一时刻的更新方式，从而可以自适应的弥补种群当前存在的寻优缺陷，并且能够有效的加强种群的局部寻优精度，具体的，在种群中粒子完成每次更新后，将搜索空间中粒子进行区域划分，划分完成后处于一个区域中的粒子拥有相似的搜索结果，并且受种群中其他粒子的引力也相似，因此，在各区域中选取部分粒子采用现有更新方式进行全局预更新，从而能够保证搜索空间中各区域都有粒子采用传统全局更新方式进行更新，即保证了种群的全局寻优能力。对各区域中粒子的全局预更新的更新结果进行检测，当区域中进行了全局预更新的部分粒子获得了较优的寻优结果并且这些较优结果之间的多样性较好时，则令该区域中剩余部分粒子继续按照原有全局更新方式进行寻优，从而能够对搜索空间进行更好的开发，而当区域中进行了全局预更新的部分寻优粒子获得了较差的寻优结果，则表明采用传统的全局更新方式在现有寻优环境中并不能得到较好的寻优结果，另一种情况，当该区域中进行了全局预更新的部分寻优粒子获得了较好的寻优结果，但这些较优结果之间的多样性较差时，如果继续采用传统的全局更新方式将造成不必要的重复寻优，因此，在这两种情况下，令各区域中剩余的部分粒子主要用于弥补种群在下一时刻对搜索空间中部分区域寻优的不足，从而加强种群的寻优精度，通过区域寻优调节系数控制所述剩余粒子用于在下一时刻加强搜索空间的寻优精度，区域寻优调节系数中的区域吸引强度系数通过检测粒子的局部较优区域在全局预更新过程中对种群中粒子的实际吸引成功率来判断该区域在传统寻优方式下在下一时刻对种群中粒子的实际吸引能力，粒子的区域吸引强度系数越高，表明粒子的局部较优区域在下一时刻将吸引种群中越多的粒子对该区域进行较为精细的搜索，因此，剩余粒子的局部吸引强度系数值在引力计算公式的分母中的作用为：在所述剩余粒子的局部较优区域在下一次更新时将吸引较少粒子的情况下加强所述剩余粒子对其自身局部较优区域的寻优，或者在所述剩余粒子的局部较优区域在下一次更新时将吸引较多粒子进行较为精细搜索的情况下加强所述剩余粒子对其他局部较优区域的寻优，同样的，所述其他粒子的区域吸引度强度系数在引力计算公式的分子中的作用为：相较于所述剩余粒子，在所述其他粒子的局部较优区域在下一次更新时将吸引较少粒子的情况下加强所述剩余粒子对该局部较优区域的精细寻优，或者在所述其他粒子的局部较优区域在下一次更新时将吸引较多粒子进行
较为精细的搜索的情况下减小所述剩余粒子对该局部较优区域的寻优，从而加强搜索空间中其他局部较优区域的寻优精度。即新的更新机制在保证引力搜索算法的全局寻优能力的情况下提高了种群对搜索空间的寻优精度，进而提高确定的支持向量机参数的准确性,大大保证了证券资产数据的安全存储和分析应用。
[0089]
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。